La sociología de las plataformas ha señalado la importancia del análisis de la cultura de consumo y los estilos de vida para desentrañar los desafíos y problemas que están surgiendo de la consolidación de los modelos de negocio online (Alonso y Fernández, 2021; de Rivera, 2021; Schüssler et al., 2021). La mediación tecnológica del hecho adquisitivo produce nuevas experiencias de interacción, socialización y vinculación caracterizadas, por un lado, por la personalización y accesibilidad sin límite a productos y servicios pero, por otro lado, por una asimetría en el control de los recursos y procesos que sitúa a las plataformas en posición de poder frente a consumidores y usuarios (O’Neil, 2018; Vallas y Schor, 2020; Srnicek, 2017). Surgen, así, formas de dominación como el aprovechamiento de la huella digital para clasificar e individualizar a los consumidores (Zuboff, 2019); la exigencia de dedicación y obediencia a las aplicaciones so pena de quedar aislados y socialmente obsoletos (Fuentes y Sörum, 2019); y el encierro en entornos compuestos solo de experiencias afines al propio estilo de vida (Davies, 2018). La estrategia comercial de las plataformas genera un consumidor alienado y satisfecho, exigente y soberano, pero solitario, pues su experiencia de consumo no supone ni produce comunicación humana (Alonso y Fernández, 2021). Este estilo de consumo inducido y vigilado requiere una capacidad de respuesta permanente y veloz, solo posible si se ejerce un control suficiente sobre los proveedores y trabajadores que ofrecen sus servicios a través de las plataformas. El éxito de la economía de las plataformas se apoyaría, así, en el establecimiento de un vínculo específico entre consumo y trabajo construido y gestionado por las plataformas en su propio beneficio.

Sin embargo, el influjo de las tecnologías inteligentes en las prácticas de consumo y de trabajo no es unidireccional. La capacidad de los consumidores para interactuar con la tecnología da lugar a diversas formas de sociomaterialidad, es decir, de agencia conjunta (o híbrida) humano-máquina (Orlikowski, 2007; Leonardi, 2013), de las que emergen consecuencias importantes para el vínculo entre consumo y trabajo. Una forma especialmente difundida de agencia híbrida es la evaluación, por parte de los usuarios, de los productos y servicios ofrecidos por las plataformas (Graham y Rodriguez, 2021; Orlikowski y Scott, 2015). Estas valoraciones y clasificaciones (ratings y rankings) son relevantes, por un lado, para los consumidores, que obtienen de ellas orientación y consejo de otros consumidores; y, por otro lado, para los trabajadores y proveedores que se ven favorecidos o perjudicados por la valoración que reciben y por el lugar que ocupan en cada clasificación. Recientes estudios etnográficos (Bucher et al., 2021; Cameron y Rahman, 2022; Galière, 2020; Rosenblat y Stark, 2016; Schor, 2021; Wood et al., 2019) han explorado el modo en que consumidores y trabajadores se relacionan con la tecnología e intentan aprovechar en su favor el carácter híbrido (resultado de la interacción de usuarios humanos y programación algorítmica) de los sistemas de evaluación y coordinación de las plataformas.

Este artículo se propone examinar el papel del sistema de evaluación por ratings y rankings en el vínculo entre consumo y trabajo en la economía de las plataformas. Para ello, primero, presenta el entrelazamiento de tecnología y agencia humana en el funcionamiento de los ratings y los rankings desde la perspectiva de los consumidores y de los trabajadores. Después, muestra la asimetría de información que ese sistema genera en favor de las plataformas, que se transforman, así, de meros intermediarios en formas nuevas de coordinación y control de los trabajadores, que dependen de ellas para acceder al consumidor. A continuación, se analizan las diversas formas de poder presentes en tales relaciones de dependencia, así como sus limitaciones y las estrategias de algunos usuarios para resistir al dominio del algoritmo. Por último, se argumenta que el reconocimiento de estas estrategias es relevante para obtener una comprensión más detallada del vínculo entre consumo y trabajo en la economía de plataforma.

RATINGS Y RANKINGS: VALORACIONES Y JERARQUÍAS

La evaluación, por parte de los consumidores, de los productos, servicios y experiencias de consumo en las plataformas online es un fenómeno que se ha generalizado en los últimos años (Stark y Pais, 2020; Morris, 2021). Sitios como eBay, TaskRabbit, Uber o Trip Advisor no solo permiten sino que alientan a los usuarios a aportar comentarios, recomendaciones y críticas que sirvan a futuros usuarios para formarse opinión. Esas valoraciones representan la experiencia acumulada de la multitud de clientes que han precedido a los que, en un momento dado, se plantean qué escoger.

Hay dos formas principales de valoración. Una, que se denomina habitualmente con el término inglés rating, consiste en comparar un producto, un servicio o una experiencia de consumo con un cierto estándar de calidad. Otra, conocida como ranking, consiste en comparar un producto, un servicio o una experiencia de compra con otras del mismo tipo respecto a las cuales se sitúa como mejor o peor. Se establece así un orden o jerarquía entre ellos, según un cierto criterio, que puede ser de calidad, precio, relevancia, novedad, etc.

Ambas formas de valoración pueden incorporar dimensiones cuantitativas y cualitativas. Así ocurre, por ejemplo, en eBay (Curchod et al., 2020), donde la calidad de los objetos y de los vendedores es evaluada por clientes invitados a dar una puntuación entre 1 y 5 según cuatro criterios predefinidos: ¿era adecuada la descripción del producto? ¿está satisfecho con la comunicación con el vendedor? ¿el envío fue rápido? ¿fueron razonables los costes de envío? Los clientes también pueden dejar una puntuación general y comentarios personales, con su opinión sobre aspectos no reflejados en los criterios predeterminados, así como sus impresiones, positivas o negativas, sobre su experiencia de consumo y relación con los vendedores.

Un sector donde la valoración es particularmente relevante es el sector turístico (Minazzi, 2010). Los turistas que buscan lugares nuevos y desconocidos para ellos, agradecen especialmente recibir orientaciones para evitar disgustos y disfrutar de sus vacaciones. Esta necesidad no es algo nuevo y las guías de viajes han ofrecido desde antiguo ese tipo de ayuda a los viajeros ocasionales. Por ejemplo, en el Reino Unido, The Automobile Association (2022) viene evaluando hoteles desde hace más de un siglo según el método tradicional de inspecciones anónimas conocido como “mistery guest“. AA se sirve ahora de un software personalizado que cada inspector utiliza para valorar las áreas clave del servicio y de las instalaciones. Al terminar la visita, el inspector revela su identidad, comparte sus hallazgos con la gerencia del establecimiento y justifica la valoración otorgada. Aunque la evaluación de AA utiliza tecnología informática, las diferencias con la evaluación de las plataformas es sustancial (Scott y Orlikowski, 2014). Así, por ejemplo, en TripAdvisor no hay inspectores: son los propios clientes los que valoran el hotel y el servicio recibido. El anonimato se utiliza, pero no durante la estancia sino una vez concluida. Los consumidores pueden dar sus valoraciones y críticas en la plataforma con la libertad de revelar u ocultar su identidad. Otra diferencia particularmente importante entre la acreditación tradicional y la valoración online, además del anonimato, es su carácter sociomaterial. TripAdvisor elabora un Popularity Index según un algoritmo específico que sintetiza en una sola cifra las puntuaciones otorgadas por los consumidores y establece un ranking entre los establecimientos evaluados.

Ratings y rankings requieren la acción conjunta de usuarios humanos y algoritmos específicos. Estos sintetizan la información cuantitativa y cualitativa que aportan los consumidores, calculan una puntuación global, establecen un orden entre alternativas y seleccionan algunos comentarios (y no otros) que serán mostrados en pantalla a los futuros usuarios. Como ilustra la figura 1, la valoración que media entre consumidores y proveedores es producida por un algoritmo que se alimenta de la información que la multitud (“crowd”) de usuarios aporta conscientemente, que se añade al rastro inconsciente que los propios consumidores dejan con su comportamiento digital. Así, Amazon recomienda productos según las elecciones de usuarios anteriores y Spotify sugiere canciones según gustos compartidos entre tipos de usuarios similares. Las consecuencias que se derivan de estas prácticas, tanto para los consumidores como para los proveedores merecen ser estudiadas con detalle.

Figura 1. Ratings y rankings, prácticas “sociomateriales”

Fuente: Elaboración propia

LA PERSPECTIVA DEL CONSUMIDOR

La economía de las plataformas ofrece acceso a una cantidad fabulosa de alternativas de consumo. Una búsqueda ordinaria de cualquier producto o servicio ofrece habitualmente unos resultados de varios miles de opciones, de las cuales se muestran en pantalla solo algunas, seleccionadas por el algoritmo, a partir de las acciones, adquisiciones y valoraciones de usuarios anteriores.

La selección y jerarquización de las alternativas en rankings es la respuesta del sistema ante la incapacidad del individuo para organizar por sí mismo la abundancia de información que está a su disposición, pero para cuya gestión carece de tiempo, capacidad y criterio (Figini et al., 2020). La calidad de la información disponible online es muy desigual y con frecuencia cuestionable, por lo que es difícil discernir la información fiable de la redundante o incluso de la información engañosa o falsa. Para poder decidir y decidirse, los consumidores necesitan reducir la complejidad, en forma de cantidad y diversidad, que se les ofrece a través de las plataformas. Los ratings y los rankings cumplen precisamente esa función. Por una parte, los rankings permiten reducir el número de alternativas a un conjunto manejable, que es el que se muestra en pantalla. Por otra parte, los ratings ofrecen información que permite al potencial consumidor contrastar tales alternativas con sus necesidades o preferencias actuales.

Uno de los principales problemas del comercio online es el riesgo que acompaña a las transacciones virtuales (de Rivera, 2021; Schor, 2021). En principio, el comprador no tiene la posibilidad de ver, tocar y comprobar presencialmente que el objeto de compra es realmente lo que quiere. La mediación de la plataforma aporta la confianza que reduce el riesgo percibido en una situación donde el consumidor no tiene conocimiento previo del vendedor ni del objeto o servicio que quiere adquirir.

Mediante los ratings y los rankings, las plataformas construyen y difunden una reputación para los proveedores de productos y servicios que ellas distribuyen. Gracias a la valoración y jerarquización de la oferta, los consumidores acceden no solo a los objetos de su deseo sino a información relevante sobre ellos, lo que facilita su elección. Ahora bien, esta mediación de las plataformas introduce sus propios riesgos: ¿puede el individuo fiarse de los ratings? ¿están hechos los rankings según los criterios que más le importan?

Para las plataformas, la cuestión de la fiabilidad es de radical importancia, pues los consumidores buscan precisamente sitios en los que se sientan seguros y huyen de los que no les inspiran confianza (Figini et al., 2020; Mercier-Roy y Mailhot, 2019). Sin embargo, la veracidad y consistencia de las recomendaciones no está garantizada pues depende del proceso (sociomaterial) según el cual se elaboran y se presentan al usuario.

Por un lado, está el riesgo de la desinformación y el engaño: las opiniones y valoraciones pueden ser falsas o malintencionadas. El problema de las “fake reviews” es real. El propio TripAdvisor (2021) estima que en torno al 2% de las valoraciones de usuarios son falsas, es decir, no están redactadas por viajeros que se alojaron en el hotel que valoran (o comieron en el restaurante que describen, etc.). Por otro lado, está la cuestión de la consistencia. Las búsquedas en plataformas con frecuencia arrojan resultados distintos según el momento o el usuario que hace la búsqueda. Algoritmos como PageRank de Google utilizan datos de los propios usuarios (búsquedas anteriores, compras en otras webs, clicks y cookies, filtros según perfil, etc.) para seleccionar los resultados mostrados en pantalla a cada usuario, que no coinciden con los mostrados para otro usuario que haga la misma búsqueda. Lo mismo ocurre en redes sociales, canales de noticias, y apps de comercio especializado (Davies, 2018). Estas valoraciones se nutren de los informes de anteriores consumidores y ayudan a crear espacios (o burbujas) donde los consumidores se encuentran en un ambiente homogéneo que consideran seguro, fiable y consistente con sus valores y estilo de vida.

El consumidor online ha sido caracterizado como un consumidor solitario (Alonso y Fernández, 2021) y, sin duda, lo es, en cuanto su relación con la plataforma está cada vez más individualizada. Sin embargo, este consumidor solitario está también conectado con multitudes de consumidores afines, con quienes comparte información y recursos, a través de las propias plataformas, que actúan como mediadoras de esa comunicación, que ya no es meramente humana sino sociomaterial.

En la práctica, los ratings funcionan: los consumidores les prestan atención y modulan sus preferencias de acuerdo con las recomendaciones de otros usuarios que las plataformas les hacen llegar. Los algoritmos funcionan como herramientas eficientes para que proveedores y consumidores se encuentren en el mercado virtual (Schüssler et al., 2021). Sin embargo, los algoritmos no solo facilitan el contacto; además, configuran el espacio donde ambos interactúan.

LA PERSPECTIVA DE LOS PROVEEDORES

Precisamente porque los ratings funcionan, los proveedores y trabajadores de plataforma les prestan cuidadosa atención. Para quienes venden bienes o prestan servicios, el beneficio fundamental de la plataforma es tener acceso a clientes potenciales. Las plataformas tienen una enorme capacidad para reducir los costes de transacción (Baldwin y Woodward, 2009) tanto para acceder al mercado mundial (p.ej. mediante Amazon o Alibaba) como para darse a conocer en el entorno local (estando disponible en Yelp, Upwork o TaskRabbit). Así, por ejemplo, a diferencia de los taxis convencionales, los conductores de Uber, Cabify o Lyft, no necesitan recorrer la ciudad buscando clientes: es la plataforma la que les proporciona los pasajeros sin que ellos tengan que buscarlos (Möhlmann et al., 2021). De modo análogo, los montadores de muebles en TaskRabbit, los propietarios de una vivienda en Airbnb, o los programadores informáticos en Freelancer, encuentran clientes gracias a la capacidad de la plataforma para analizar su información y ponerles en contacto.

Los ratings y los rankings son importantes porque la economía de las plataformas es una economía de la atención (Stark y Pais, 2020). Para vendedores y prestadores de servicios lo absolutamente necesario es “ser visto” y, así, poder ser elegido. Las valoraciones tienen un impacto inmediato en los intercambios de plataforma por dos razones (Curchod et al., 2020): 1) son públicas, por lo que un proveedor con buenas puntuaciones atrae a más clientes; 2) son eficaces, pues modifican continuamente el lugar que se ocupa. Por ejemplo, un estudio ha mostrado que aquellos restuarantes que subieron una estrella en el rating de Yelp aumentaron entre un 5% y un 9% su visibilidad y sus ingresos (Cutolo et al., 2021). Por el contrario, las evaluaciones negativas pueden tener un impacto enorme en la actividad y en las oportunidades de los trabajadores, ya sean vendedores (en eBay, Amazon, TripAdvisor), profesionales autónomos (en Upwork, Freelancer, TaskRabbit), o prestadores de servicios (en Uber, Deliveroo, Getir). Los proveedores y los trabajadores temen no solo las valoraciones negativas sino también la ausencia de evaluaciones que les permitan escalar o, al menos, mantener sus puestos en el ranking (Bucher et al., 2021).

Las evaluaciones negativas tienen mayor repercusión que las positivas o neutras, y pueden arruinar la reputación de un proveedor o un trabajador de manera casi inmediata (Curchod et al., 2020). Por eso, la amenaza de una evaluación negativa se puede convertir en manos de consumidores poco escrupulosos en arma para obtener descuentos adicionales, reducción de costes de envío, o ventajas suplementarias.

Las evaluaciones, con frecuencia, están abiertas a discusión por parte de los proveedores y trabajadores evaluados. En TripAdvisor, los hoteleros pueden publicar réplicas a las críticas recibidas; sin embargo, muchos de ellos no saben si les conviene responder directamente a las quejas anónimas de los huéspedes y, en su caso, cómo hacerlo: su preocupación es que abrir la puerta a un intercambio negativo de "tú dijiste esto, yo dije aquello” podría dañar aún más su reputación. Para los hoteleros, la llegada de nuevas reseñas a TripAdvisor suele ser una experiencia estresante e impredecible. Si consideran que una reseña en particular es incorrecta, engañosa o falsa, pueden presentar una queja al respecto ante la plataforma pero esta se suele limitar a enviar una respuesta automática y juzgar la reseña crítica desde una posición de presunta neutralidad (Scott y Orlikowski, 2014).

La amplia difusión de los ratings y los rankings está generando asimetrías de información y relaciones de dependencia entre proveedores, consumidores y plataformas (Bucher et al., 2021; Shapiro, 2020). Los proveedores están sujetos al control de la plataforma, que se sirve de las valoraciones de los consumidores para medir su rendimiento y darles o negarles acceso al recurso crítico de la visibilidad (Möhlmann et al., 2021). Los trabajadores dependen de la plataforma para acceder a ofertas de trabajo que solo reciben si el algoritmo les sitúa en posiciones suficientemente elevadas como para llamar la atención de los consumidores. Pero, para ello, deben lograr la aprobación explícita de los destinatarios de sus servicios. Mantienen, por tanto, una doble dependencia: dependen de los consumidores, que les evalúan (o no); y de la plataforma, que les da visibilidad y acceso (o no), según el cálculo que el algoritmo realiza a partir de las valoraciones recibidas.

La agencia de las plataformas, por tanto, va más allá de la generación de contacto entre consumidores y proveedores (“matching in a marketplace”) pues, de hecho, regula las transacciones desde una posición de poder, como manifiesta la capacidad de exclusión de los usuarios, y el establecimiento, modificación y cobro de comisiones. Por eso, algunos autores (Curchod et al., 2020; Shapiro, 2020; Stark y Pais, 2020) proponen que las plataformas sean conceptualizadas como nuevas formas de organización, en las que buena parte de las actividades directivas están en manos de los algoritmos, lo que ha dado en llamarse “algorithmic management”.

PLATAFORMAS COMO ORGANIZACIONES: GESTIÓN POR ALGORITMOS

El avance de las tecnologías ha hecho posible que el tipo de actividades que las máquinas pueden realizar se ha ido ampliando desde tareas repetitivas y simples hasta trabajos complejos y creativos como diseñar objetos, escoger rutas de trasporte, seleccionar personal o anticipar el éxito de determinadas acciones comerciales (Daugherty y Wilson, 2018). El “aprendizaje profundo” que permite a las máquinas desempeñar estas tareas se apoya en la recogida y uso de datos a gran escala para desarrollar y mejorar algoritmos capaces de calcular las soluciones óptimas en situaciones diversas.

En las plataformas, además de poner en contacto trabajadores y consumidores, los algoritmos desempeñan tareas propias de la organización del trabajo, como la coordinación y el control de trabajadores y proveedores. Tanto para los freelancers de las OLP (“Online Labor Platforms“) como para los emprendedores PDE (“Platform Dependent Entrepreneurs”) el algoritmo es más que una herramienta útil (Möhlmann et al., 2021). En la medida en que las decisiones de acceso y clasificación dependen del cálculo que efectúa el algoritmo, los trabajadores de plataforma se encuentran en la necesidad de “contentar” al algoritmo, de modo que sus “decisiones” les resulten favorables. En efecto, los sistemas de inteligencia artificial son capaces de llevar a cabo tareas que hasta hace poco solo directivos humanos solían realizar, como la selección de personal (van den Broek et al., 2021), la evaluación del desempeño o la gestión de precios (Murray et al., 2021). En OLPs como Udemy o TaskRabbit, es el algoritmo el que selecciona a los trabajadores que tienen acceso a determinadas ofertas, el que evalúa su desempeño y el que otorga sanciones positivas o negativas en forma de recomendación, advertencia o exclusión temporal o definitiva (Vallas y Schor, 2020). Upwork ha automatizado varios procesos básicos, entre ellos, la selección de candidatos: "Al registrarse, nuestros algoritmos de aprendizaje automático evalúan el potencial de un trabajador independiente para tener éxito en nuestra plataforma en función de la oferta y la demanda actuales, además de las habilidades en su perfil” (Upwork, 2018, p. 6). Los trabajadores que pasan esta revisión algorítmica tienen acceso a la plataforma y podrán ofertar por servicios y enviar propuestas. Los trabajadores que no son seleccionados, o que no han logrado suficientes clientes durante un tiempo determinado, se ven obligados a abandonar la plataforma y reciben una notificación automática como esta: “Desafortunadamente debemos separarnos de los trabajadores autónomos cuyas habilidades no tienen demanda en nuestra plataforma” (Bucher et al., 2021, p. 49 ). De modo similar, los conductores de Uber y Lyft, los vendedores de segunda mano en eBay o los consultores de Catalant (Roberts y Zietsma, 2018) están sujetos a decisiones de los algoritmos sobre la idoneidad de sus servicios, las comisiones que retiene la plataforma, o las condiciones en que han de llevar a cabo sus trabajos.

La organización del trabajo en las plataformas utiliza el cálculo de los algoritmos para coordinar los recursos disponibles (materiales y humanos), y ofrecer un servicio estandarizado en el que los usuarios puedan confiar. En este proceso los trabajadores experimentan, con frecuencia, déficits de comunicación y la falta de transparencia. Por un lado, la comunicación trabajador-plataforma de ordinario está automatizada. El trabajador con dudas, quejas o preguntas solo accede a respuestas prefijadas. No cabe un auténtico diálogo. Así es, por ejemplo, en eBay: si, por excepción, el proveedor consigue dar con un operador humano, “te dirá que no hay nada que él pueda hacer: es cosa del algoritmo” (Curchod et al., 2020, p. 655 ).

Al déficit de comunicación le acompaña la falta de transparencia (Cutolo et al., 2021). Es el algoritmo el que tiene el poder de valorar, clasificar, recompensar o sancionar, hasta el punto de excluir, incluso sin previo aviso. Las plataformas no están obligadas a proporcionar razones. Y en su caso, las razones dadas son invariablemente crípticas y los criterios poco claros. Difícilmente se aceptan apelaciones y aun en el caso de una apelación exitosa, los trabajadores o proveedores no vuelven al statu quo anterior, pues otros competidores los habrán desplazado en la clasificación (Luca y Zervas, 2016).

La falta de comunicación y de transparencia muestra que la gestión por algoritmos no es una automatización de la burocracia, a pesar de algunas similitudes superficiales; no es una forma de taylorismo digital: es un modelo nuevo, distintivo (Stark y Pais, 2020; Wood et al., 2019). La frustración y ansiedad que experimentan los trabajadores se debe en buena medida al sentimiento de estar tratando con máquinas en lugar de con personas y, por tanto, ser incapaz de comunicarse y de dar razón de las propias acciones. Así lo sugiere un informante del estudio de Roberts y Zietsma (2018, p. 212) , “Yo me gano la vida vendiendo en eBay, que es tan perversa como Uber, si no más. Ellos no son tus amigos: tienen un estricto sistema de rating y si no llegas, estás fuera; no les importa quién seas ni lo leal que has sido hasta entonces o si todos tus ingresos dependen de ellos”. Con frecuencia, los criterios para el cálculo del rating no son estables ni enteramente comprensibles: no está claro cuál es la puntuación mínima para no ser “desactivado”, ni en qué medida las tasas de aceptación y rechazo de las ofertas recibidas influyen sobre la posición en el ranking, ni qué parámetros se usan para establecer quién es reconocido como un trabajador de élite.

RELACIONES DE PODER Y DEPENDENCIA

La teoría de la organización explica como el diseño del lugar de trabajo influye en la distribución de recursos entre los miembros y afecta a su capacidad para llevar a cabo sus tareas y proyectos (Clegg, 1990; Hatch, 2018). En una nueva versión de esta realidad, las plataformas se han convertido en el lugar (virtual) de trabajo para individuos que dependen de ellas para acceder al codiciado recurso de la atención del consumidor online. En el contexto de estas relaciones asimétricas surgen formas específicas de poder y dependencia.

Algunos autores han señalado que entre plataforma y trabajador se da una nueva versión del poder panóptico, una supervisión continua del individuo, tanto en forma de control y sanción, como en forma de moldeamiento y transformación, según ciertos patrones de funcionamiento desarrollados por la programación algorítmica de la plataforma (Galière, 2020; Revilla y Blázquez, 2021). Los algoritmos se convierten, así, en “tecnologías de poder” (Foucault, 2000), que “materializan las necesidades, deseos y aspiraciones de sus dueños; coordinan la recogida, análisis e interpretación de los datos; y hacen posible o limitan múltiples formas de agencia en las plataformas” (Curchod et al. 2020, p. 668). De esta manera, los algoritmos no solo intermedian, sino que configuran las relaciones entre consumidores, plataforma y trabajadores. Como comentaba uno de los informantes del estudio de Curchod et al. (2020, p. 659): “Así es como funciona el sistema de evaluación: hay cuatro criterios, si tienes menos de 4 sobre 5 en un criterio y no mejoras en un mes, te cierran tu cuenta. Es, ya sabes, haces lo que te dicen o te castigamos duro”.

Las valoraciones de los clientes están en el centro del mecanismo de coordinación y control de las plataformas (Stark y Pais, 2021). La gestión por algoritmos supone la externalización de las tareas y responsabilidades de evaluación de desempeño de los trabajadores y del control de calidad del servicio (Rosenblat y Stark, 2016). Este proceso supone situar a los consumidores en la posición de agentes del circuito de gestión de modo que es a los consumidores y no a los directivos de la organización a quien los trabajadores deben contentar y cuyas órdenes deben seguir (Wood et al., 2019). De esta manera, las plataformas usan en su propio provecho la colaboración (trabajo) de los consumidores para supervisar a los trabajadores y proveedores. Para las plataformas, esta externalización via crowdsourcing elimina costosas evaluaciones del desempeño y proporciona un mecanismo para disciplinar a los trabajadores.

El desequilibro de poder entre consumidores y trabajadores es claro: estos son responsables de contentar a aquellos so pena de sufrir fuertes sanciones mientras que los consumidores pueden otorgan su evaluación sin hacerse responsables de su veracidad, oportunidad o consecuencias. Este sistema de control coloca a los trabajadores en una situación precaria al conceder a los clientes el control sobre los trabajadores con una responsabilidad prácticamente nula por sus acciones (Maffie, 2022). De hecho, algunos estudios (Cameron y Rahman, 2022) sugieren que el abuso de los clientes hacia los trabajadores, incluido el robo de salarios y las agresiones verbales, es mayor en los entornos de plataforma que en otros entornos de servicios debido a esta falta de responsabilidad.

La evaluación de los consumidores disciplina a los trabajadores pues premia un determinado estilo o comportamiento sobre otros posibles, por ejemplo, en el modo en que los conductores de Uber o Lyft interactúan con ellos (Rosenblat y Stark, 2016). Aun cuando la plataforma no establezca normas y diga dejar libres a los conductores para actuar con espontaneidad, el sistema de ratings da como resultado un conjunto de conductas de obligado cumplimiento para quienes quieren ser evaluados positivamente.

Con todo, la capacidad del algoritmo para vigilar y castigar es limitada. Por un lado, porque su eficacia depende de la necesidad o voluntad de los trabajadores para aceptar su dominio. En efecto, no todos los trabajadores están en la misma situación de necesidad o dependencia frente al algoritmo (Rosenblat y Stark, 2016). Juliet Schor (2021) distingue entre aquellos trabajadores que dependen de la plataforma para la mayoría o la totalidad de sus ingresos, a los que llama “dependent earners”, y aquellos otros trabajadores (a los que llama “supplemental earners”) que ya tienen ingresos suficientes por otras vías. Con algunas excepciones, quienes trabajan a tiempo completo en una plataforma suelen lograr ingresos escasos, que a menudo se sitúan por debajo del umbral de la pobreza (Schor, 2021) y temen especialmente recibir evaluaciones negativas que conduzcan a ser desactivados. En cambio, quienes tienen otros ingresos asegurados experimentan su actividad en plataformas como una ocasión para lograr ingresos adicionales, realizar una aspiración personal o conectar con cierto tipo de personas. Se consideran a sí mismos como autónomos a tiempo parcial, que aprovechan oportunidades, si resultan atractivas, o las rechazan, si les resultan demasiado onerosas.

Por otro lado, algunos trabajadores están aprendiendo a sortear el control de los consumidores y, con ello, el de la plataforma. En efecto, los consumidores pueden evaluar a los trabajadores y proveedores al finalizar el servicio encargado, pero no antes. Los trabajadores pueden desarrollar tácticas de interacción con clientes potenciales antes de la solicitud o realización del encargo para asegurase una evaluación positiva o al menos evitar una evaluación negativa (Cameron y Rahman, 2022). Así, algunos conductores de plataforma indagan de forma preventiva y buscan pistas sobre la calificación que dará un cliente. Aun en contra de la política de la empresa, llaman a los clientes antes de recogerlos, aparentemente para verificar su nombre, pero en realidad para preguntar su destino, que la plataforma oculta a propósito. Los conductores actúan como si estas llamadas no estuvieran controladas, aunque las realicen a través de la app. Si creen que un posible cliente tiene una actitud desagradable, muchos cancelan el viaje inmediatamente, intuyendo que los pasajeros que son groseros son más propensos a dar bajas calificaciones. Los conductores también son evaluados por sus tasas de cancelación y aun así, algunos prefieren pagar esta penalización para evitar una baja calificación de un cliente iracundo. Otros, en cambio, usan la asimetría de información en su favor: animan a los clientes a cancelar su viaje aduciendo alguna excusa o historia triste. Como la mayoría de los pasajeros no saben que esto va en contra de la política de la empresa, hacen caso y cancelan. Estas experiencias de los conductores muestran que las plataformas no supervisan activamente sus conversaciones con clientes potenciales, o al menos no toman medidas contra ellos, por lo que se sienten libres para saltarse las normas de la plataforma para investigar a los clientes con la esperanza de lograr una buena valoración. Iniciativas análogas son puestas en practica en otras plataformas de servicios profesionales (Curchod et al., 2020; Cutolo et al., 2021; Wood et al., 2019).

Actualizar un algoritmo para paliar sus limitaciones es un proceso caro, complejo y de resultado incierto, pues siempre cabe la posibilidad de ulterior manipulación (O’Neil, 2018). Por eso, el control de la plataforma se despliega también en otras formas de poder, en particular, en la gestión de la subjetividad que discursivamente enfatiza la autonomía del trabajador y el carácter voluntario y flexible de su desempeño (Revilla y Blázquez, 2021; Roberts y Zietsma, 2018). Frente al poder represivo del control algorítmico, el discurso de la autonomía y carácter emprendedor del trabajador de plataforma busca por otras vías la conformidad con los comportamientos esperados por la plataforma. Se trata, de esta manera, de ganar sus mentes y sus corazones, de procurar un control normativo basado en el ideal hiper-meritocrático de justicia (Galière, 2020). El discurso del emprendimiento enfatiza la independencia del trabajador y la posibilidad de obtener ingresos acordes al esfuerzo y el acierto individual. La plataforma se presenta a sí misma como una herramienta, una ayuda, para organizar el trabajo. En este discurso el papel del algoritmo se legitima por el criterio de eficiencia, que se asume compartido por los trabajadores, definidos ahora como emprendedores individuales usuarios de la plataforma. Sin embargo, este discurso no está libre de contradicciones.

Un ejemplo paradigmático es el de Uber. Por una parte, el discurso de la empresa se refiere a los conductores como socios, micro-emprendedores que se unen a Uber para montar un negocio de transporte juntos (Roberts y Zietsma, 2018). Algunos mensajes de Uber a los conductores en este sentido son: “Uber es un nuevo modo de trabajar para gente que quiere empezar y terminar cuando ellos deciden”; “sé tu propio jefe”; “pon tu coche a trabajar”. Pero, por otra parte, el discurso de la empresa a los viajeros da a entender que los conductores están a su disposición, bien como usuarios miembros de la plataforma, bien como meros engranajes de un servicio previsible y de calidad garantizada. Algunos mensajes comerciales de Uber, en este sentido, son los siguientes: “Cada día, cientos de miles de conductores usan nuestra tecnología para llevar a millones de pasajeros de un sitio a otro”; “Apps como Uber hacen más fácil y más barato ir de un sitio a otro cuando no hay taxis”; “Uber te lleva a cualquier sitio con solo apretar un botón”. La elevada disponibilidad de conductores ha permitido a Uber desplazar no solo su discurso sino también su trato con los conductores hacia un punto donde la identidad del trabajador queda reducida a la de mero engranaje del sistema, ejecutor de órdenes sin rechistar so pena de ser sustituido por otros conductores ávidos de ocupar su posición en el ranking con el que algoritmo selecciona quién va a obtener el próximo y más ventajoso trayecto (Möhlmann et al., 2021). Para el conductor, aceptar el rol de engranaje (driver bot) es el modo de asegurarse un buen lugar en el ranking y, con ello, continuos trayectos e ingresos. El precio a pagar es la pérdida del control sobre el propio horario y condiciones de trabajo. Esto supone contradecir la identidad de socio emprendedor que su relación inicial con la plataforma suponía. De ahí, que los conductores-trabajadores busquen modos de procurar un equilibrio entre los discursos e identidades de socio-colaborador y de engranaje eficaz. Sin embargo, este pretendido equilibrio en la práctica resulta imposible (Revilla y Blázquez, 2021). Por ello, algunos trabajadores intentan otras estrategias para sortear la vigilancia del algoritmo y ejercer un mayor control sobre las condiciones de su trabajo.

TRABAJAR EN PLATAFORMAS: GESTIONAR AL ALGORITMO

El trabajo en plataformas tiene una dimensión relacional que excede la propia de las organizaciones tradicionales. Además de gestionar la relación con directivos y clientes, los proveedores de productos y servicios precisan aprender a relacionarse con el algoritmo. Ello supone aprender a aprovechar las oportunidades que el sistema ofrece y, al mismo tiempo, defenderse de las amenazas derivadas de las asimetrías de información y de poder. En la economía de la atención, “gestionar” el algoritmo no es solo una opción inteligente sino una necesidad.

En una organización convencional, los empleados pueden defender sus derechos y mejorar sus condiciones mediante diversas estrategias, como la acción colectiva, la resistencia individual o la colaboración con la gerencia (Friedberg y Crozier, 1980). Sin embargo, en organizaciones online como las plataformas la falta de transparencia del sistema de evaluación, y la automatización algorítmica del sistema de coordinación y control genera incertidumbre y vulnerabilidad para los trabajadores. No es posible negociar con un algoritmo. Solo cabe tomar o dejar las condiciones que este impone, sustentadas por el poder de exclusión que le acompaña. Por eso, algunos trabajadores optan por tomar las condiciones del sistema, compitiendo con sus iguales por recibir las ofertas y oportunidades que llegan a través de la plataforma. Para estos, la manera de contentar al algoritmo es practicar “overcompliance”, es decir, excederse en el cumplimiento de las exigencias y condiciones establecidas, hasta el punto de minusvalorar la propia oferta, para que resulte más atractiva que la de otros trabajadores o proveedores de servicios (Schor, 2021). Por ejemplo, algunos trabajadores en Upwork se ofrecen a hacer trabajos gratis como prueba, o facturan menos horas de las que realmente han dedicado a una reparación en un hogar, o cobran una tarifa más baja de las que les corresponde por su cualificación profesional con el objetivo de lograr una evaluación positiva por parte del consumidor, o evitar una evaluación negativa (Bucher et al., 2021). Son, en este sentido, formas de autoexplotación, consecuencia de la posición vulnerable en que el sistema sitúa al trabajador.

Algunos trabajadores intentan asociarse para contrarrestar esa vulnerabilidad, buscando promover una relación de poder más equilibrada con la plataforma y con el consumidor final. Así, han surgido iniciativas como la Online Merchants Guild, que reúne a emprendedores que ofrecen sus productos en Amazon, o la YouTubers Union, para unir a creadores de contenidos en esa plataforma (Cutolo et al., 2021). En esta línea, un grupo de YouTubers alemanes crearon en 2019 una organización a la que llamaron “FairTube” y se afiliaron a IGMetal, el principal sindicato alemán. Sus demandas consistían en pedir a YouTube que pusiera en marcha un proceso de apelación supervisado por un consejo independiente, y que facilitara el contacto con directivos humanos, para gestionar las disputas sobre contenidos y otros conflictos, de modo que los YouTubers pudieran comprender mejor el proceso de decisión sobre recompensas y sanciones. La plataforma aceptó conversar con representantes de FairTube pero se abstuvo de establecer cambios en su sistema de coordinación y recompensa. Otros intentos colectivos de equilibrar las relaciones de poder en el entorno de las plataformas han sido los de cooperativas de drivers y de riders. También ha habido intentos de crear plataformas cooperativas, como alternativa a las dominantes en el sector de la distribución (Scholz, 2016). Sin embargo, en una economía de la oferta, que se rige por el principio “the winner takes all”, los intentos cooperativos están resultando insuficientes para contrarrestar el poder de las plataformas.

Otros trabajadores están encontrando maneras de “pacificar” al algoritmo (Bucher et al., 2021), gracias al conocimiento práctico que van adquiriendo sobre el funcionamiento del sistema. Algunos conductores de plataforma han conseguido cierta autonomía respecto del sistema, lo que les permite escoger los horarios y trayectos que les convienen, y evitar aquellos servicios que la plataforma solicita, pero cuyas condiciones no les resultan ventajosas (Möhlmann et al., 2021). Por ejemplo, muchos conductores están afiliados no solo a una sino a varias plataformas de transporte urbano, de modo que si una les excluye pueden mantener sus ingresos hasta que son readmitidos. Algunos conductores se aprovechan de la regla de cancelación: si un viajero cancela su solicitud, el conductor que la ha aceptado cobra una parte de la tarifa por haber iniciado el desplazamiento. Los directivos de la plataforma están preocupados porque han advertido como algunos conductores solicitan un viaje para ellos mismos o para otros conductores, que luego cancelan, pero cobran la compensación establecida (Mercier-Roy y Mailhot, 2019). Otros conductores juegan con la práctica de la plataforma de variar los precios según la demanda. Los más experimentados aconsejan a los más bisoños no responder al reclamo para desplazarse a zonas alejadas con picos de demanda por un precio mayor, pues según su experiencia, la alta demanda es pasajera y no merece la pena el gasto (Shapiro, 2020). Un estudio (Chen, 2018) ha revelado que el cuarenta por ciento de los conductores de Didi, el Uber chino, tenían instalado en su móvil (o tenían varios móviles) con un bot para solicitar viajes en su zona, que luego cancelaban, una vez que el precio del trayecto había subido y de cuyo aumento se beneficiaban para los trayectos reales. Este tipo de prácticas ha sido denominado “activismo algorítmico”.

Este tipo de activismo, de carácter individual, trata de aprovechar las rendijas del sistema para ampliar la capacidad de agencia del trabajador de plataforma. Está surgiendo también en sectores de actividad distintos del transporte urbano. Por ejemplo, los vendedores en eBay están desarrollando estrategias individuales para compensar el poder del algoritmo, una vez que han renunciado a estrategias colectivas (Curchod et al., 2020). Es verdad que, en ocasiones han surgido asociaciones de vendedores para intentar negociar con eBay, pero han durado poco tiempo por miedo de sus miembros a ser identificados y suspendidos. En cambio, la experiencia del funcionamiento del sistema está permitiendo a los vendedores individuales hallar estrategias para reducir su vulnerabilidad. Así, idean modos de ponerse en contacto con el comprador fuera de los canales de comunicación de la plataforma y, si es posible, verse en persona; los vendedores también procuran añadir sus propias reglas a las de la plataforma, para evitar malentendidos o exigencias abusivas por parte de los consumidores, y así evitar sus quejas o evaluaciones negativas; algunos vendedores aprenden a identificar con antelación a compradores sospechosos y les bloquean; también utilizan las funcionalidades del algoritmo en su favor, por ejemplo, la de reportar disputa por falta de pago, si es el caso, de modo que a los “malos compradores” se les suspenda la cuenta, etc.

La posibilidad de comunicarse con el consumidor abre la posibilidad de ejercer variadas formas de trabajo emocional (Hochschild, 2003). Por ejemplo, algunos conductores intentar educar a los pasajeros sobre el sistema de evaluación, haciéndoles notar que dar un 4 es como un suspenso y que cualquier calificación inferior a un 5 les puede generar problemas (Rosenblat y Stark, 2016). El trabajo emocional es especialmente intenso en aquellos trabajos en los que la comunicación con los consumidores es más necesaria (Cameron y Rahman, 2022). En las plataformas de servicios profesionales como Freelancer, Upwork o Fiverr, el trabajo es, en gran medida, intensivo en conocimiento e iterativo. Durante la realización de trabajos de traducción, programación, contabilidad, asesoría, diseño web, presentaciones gráficas, etc., consumidores y trabajadores tienen más necesidad y oportunidades de comunicarse que en trabajos rutinarios, como conducir o transportar mercancías. En aquellos, las oportunidades de los trabajadores para desplegar tácticas para sortear el sistema son mayores. Así, por ejemplo, algunos profesionales que conocen el funcionamiento de la plataforma mejor que sus clientes ocasionales, les piden dividir un proyecto en curso en distintas fases y ser evaluados por cada una, una vez que se han asegurado de que el cliente está satisfecho y les va a dar una evaluación positiva. De esta manera, sube el número de valoraciones positivas recibidas, protege su puntuación media frente a posibles evaluaciones negativas y mejora los indicadores que utiliza el algoritmo para situarlo en el ranking.

La existencia de importantes desigualdades en los resultados del trabajo de plataformas sugiere, no solo la diversidad de condiciones estructurales (Schor, 2021), sino también la capacidad de los trabajadores para manejar sus oportunidades y recursos con mayor o menor efectividad, en cuyo centro está el sistema de evaluación por ratings y rankings. La desigualdad de ingresos entre profesionales cualificados en algunas plataformas es del orden de 19 a 1, entre el percentil 90 y el percentil 10 (Wood et al., 2019). La diferencia no se explica tanto por la abundancia o escasez de sus competencias profesionales como por la reputación lograda en el sistema, gracias a su capacidad para “gestionar el algoritmo” mediante tácticas de resistencia y trabajo emocional en su comunicación con los consumidores.

Con estas prácticas y otras análogas, los trabajadores de plataforma están intentando equilibrar la asimetría de información y poder con la plataforma y con los consumidores finales. Una de las claves para avanzar en este proceso está en comprender el funcionamiento de los algoritmos, en especial, el modo en que utilizan los datos de los usuarios, tanto trabajadores como consumidores, para calcular los ratings y establecer los rankings a partir de los cuales se despliega la lógica del sistema.